پزشکی قانونی مواد غذایی: کمومتریکس در مبارزه با تقلب در مواد غذایی

تقلب غذایی همچنان یک چالش مداوم و در حال تحول در سیستم‌های غذایی جهانی است که پیامدهای جدی برای سلامت عمومی، ثبات اقتصادی و اعتماد مصرف‌کننده دارد. این فصل به بررسی نقش شیمی‌سنجی در پزشکی قانونی مدرن مواد غذایی می‌پردازد و نشان می‌دهد که چگونه تجزیه و تحلیل داده‌های چند متغیره از تشخیص و تعیین مقدار تقلب در مواد غذایی پشتیبانی می‌کند. رویکردهای شیمی‌سنجی به دو دسته اصلی تقسیم می‌شوند: استراتژی‌های طبقه‌بندی و مدل‌های رگرسیون. روش‌های طبقه‌بندی، مانند تحلیل تشخیصی حداقل مربعات جزئی (PLS-DA)، اصالت را تأیید می‌کنند و با موفقیت برای کالاهایی مانند روغن زیتون، برنج و آجیل به کار گرفته شده‌اند. فراتر از طبقه‌بندی دودویی، بسیاری از تحقیقات به شواهد کمی نیاز دارند. مدل‌های مبتنی بر رگرسیون، از جمله رگرسیون حداقل مربعات جزئی و یادگیری ماشین پیشرفته مانند شبکه‌های عصبی مصنوعی، غلظت مواد تقلبی را تخمین می‌زنند. این موارد برای رعایت مقررات، ارزیابی ضرر اقتصادی و مراحل قانونی ضروری هستند. مطالعات موردی روی عسل و ادویه‌ها، اثربخشی آنها را برجسته می‌کند. روندهای نوظهور، از جمله بهینه‌سازی پیش‌پردازش، انتخاب متغیر و ادغام داده‌ها، استحکام مدل و قدرت پیش‌بینی را افزایش می‌دهند، در حالی که ادغام استراتژی‌های طبقه‌بندی-رگرسیون، غربالگری سریع و تجزیه و تحلیل پزشکی قانونی دقیق را امکان‌پذیر می‌کند. با تکیه بر این موارد و با پیشرفت‌های فعلی در روش‌های مبتنی بر هوش مصنوعی، شیمی‌سنجی همچنان محور توسعه سیستم‌های تشخیص تقلب غذایی هوشمند، مقیاس‌پذیر و از نظر قانونی قابل دفاع خواهد بود.

Food fraud remains a persistent and evolving challenge in global food systems, with serious implications for public health, economic stability, and consumer trust. This chapter examines the role of chemometrics in modern food forensics, highlighting how multivariate data analysis supports the detection and quantification of food adulteration. Chemometric approaches fall into two main categories: classification strategies and regression models. Classification methods, such as Partial Least Squares Discriminant Analysis (PLS-DA), verify authenticity and have been applied successfully to commodities such as olive oil, rice, and nuts. Beyond binary classification, many investigations require quantitative evidence. Regression-based models, including partial least squares regression and advanced machine learning such as artificial neural networks, estimate adulterant concentrations. These are essential for regulatory compliance, economic loss assessment, and legal proceedings. Case studies on honey and spices highlight their effectiveness. Emerging trends, including preprocessing optimization, variable selection, and data fusion, enhance model robustness and predictive power while the integration of classification-regression strategies enables both rapid screening and detailed forensic analysis. Building on these and with current advances in AI-driven methods, chemometrics will remain central to developing intelligent, scalable, and legally defensible food fraud detection systems.